喜欢读书是好事儿，但是也读得那么认真，不停问问题，就有点过份了。
尤其是《苏厨》这种古代知识满满的，很多东西都在麦小苗认知范围以外，逮到了原创作者就在身边，好奇宝宝的问题简直就是一直不断。
比如第一章里周至写了眉山城门口的小桥叫做“通津桥”，说明这个桥过去不远就是码头，大家可以在那里坐船去往上下游城市。然后麦小苗就问其余地方如文庙，学署，书院，文昌宫的区别；又比如为什么叫附廓县，为什么附廓县就会存在州府县府两个衙门；火神庙是祭祀谁的，玉清观是祭祀谁的，东岳庙是祭祀谁的等等……
实话实说，就连最铁的书友也问不到这么细致的地方来，或者说许多对于国人来讲本身就属于常识，不过对于麦小苗这种中国历史文化“人菜瘾大”的读者来说，那就啥都想问了。
关键是有些问题还十分复杂，比如要讲玉清观就要讲到道教三清中的玉、上、太三清，然后讲玉清元始天尊在道教中的地位和宋代对道教的推崇，以及道教在蜀中的影响力等等，国学是可以从一个点扯出一张网的学问，因此“玉清观是祭祀谁的”这个问题，本身就是一个大题目。
周至本来是要改一改自己拉下的功课的，现在有了数字图书馆搜索引擎后，师祖祖的论文当中留下的许多让周至疑惑，或者周至自己所欠缺的知识点，就可以通过搜索相关内容解惑补齐巩固，结果遇到一个需要科普的小朋友，这就专心不起来了。
“小苗要不这样。”周至想了想：“帖子本身就有留言功能，你将问题留在章节里，等书友们来回答好不好”
“可以。”麦小苗倒是从善如流，然后又问出一个问题：“可是我现在是看的存稿，还没有发布啊”
“啊这……”周至想了想，打开文学论坛女生言情板块：“这几本热度都挺高的，要不你看这种吧，好多女生都喜欢看。”
“不看！”
“为什么”
“看她们的书哭得稀里哗啦的，卫生纸不够用！”
“呃……”周至犹豫了一下，一咬牙：“我还有一本，暂时还没准备发出去，写的是一个大学生回到家乡建设农村的，你看不看”
“是联和乡这样的农村吗你还真会就地取材。”
“呃……倒也不是，背景是我的老家，蛮州市夹川县。”
“你家乡”
“对！”
“好啊好啊，你给我看看！”
《山沟》这本书就好多了，麦小苗终于不再发问，还不时给书里的内容逗得咯咯直笑，看来颇为喜欢其中的内容。
两人就这样度过了一个晚上，偶尔喝点果干煮米酒，吃点坚果，然后一人，一人看论文，要不是周至催麦小苗去刷牙洗脸，这妞还不想休息。
周至不由得摇头，网络文学后劲大啊……
但是第二天报应就来了，四叶草集团动作很快第一批资源已经到位组网，包括算力与存储空间。
于是情况就来了一个颠倒，麦小苗在部署她带回来的算法程序的时候，周至就变成了昨晚麦小苗听周至科普时候的那个样子。
对于四叶草集团接包的vc程序开发，周至也是管理了的，甚至还参与了一些编写方案的讨论，对于编程，甚至编写工具类程序，他也并不是完全的门外汉，这是周至穿越到这一世以来颇为得意的一点，就是自己上一世的专业不但没有荒废，反而更上了层楼。
但是他上的这层楼和麦小苗脚下起步的台阶相比，相差得也有些远，这不是变成能力上的限制，而是数学理论上的鸿沟。
“设神经元的输入向量和参数向量分别为集合a和集合b，这两个集合又可被称为权重，它们之间存在这样一个非线性函数关系，这样的函数关系是输入向量与参数向量作用之后，得到了一个输出向量c，这个c被我们称为激活值，而这个非线性函数则被称为激活函数。”麦小苗倒是讲得十分认真：“这里的a（0）=1是个偏置单元，与线性回归中的零次项一致；”
“激活函数可以用logistic/sigmoid函数、tanh函数、relu函数等，用到激活函数的原因是如果不用的话，那么线性成分的叠加还是线性成分，整个神经网络依然是线性的，无法拟合非线性假设。”
“我们给每个神经元都套上非线性函数，就能够让网络真正的拟活，注意是拟活而不是激活，也就是说，现在我们构造的这个激活函数，其实是通过给线性单元套上非线性函数，用来拟合非常复杂的非线性运算的情况，也就是神经化。”
“于是机器就能够通过深度学习，识别出‘莫听穿林打叶声，何妨吟啸且徐行’；‘大明湖，明湖大，明湖上面有荷花，荷花上面有蛤蟆，一戳一蹦跶’，孰优孰劣了。”周至也学得十分认真。
“哈哈哈哈……”麦小苗不由得大笑了起来：“后面这首是谁写的太有意思了……”
“一个军阀，山东王张宗昌，鲁迅先生曾经给他取过一个外号，叫‘三不知将军’，即不知道自己有多少兵，不知道自己有多少钱，不知道自己有多少姨太太。”
“哈哈哈……”麦小苗又被逗得忍不住笑了，按着自己的小肚子艰难地想憋笑：“要让机器达到这个水平还有点难，不过帮助我们的图形识别系统寻找匹配的边缘，应该比现在的程序效率……要高一些吧……”
“小苗你不用跟我打埋伏。”周至说道：“能提高多少效率其实我并没有抱多大的希望，就算资源多浪费一倍，效率减缓一倍，我们都可以接受，只要新的算法能够成功就行，因为这是思路的胜利，我们先解决可行不可行的问题，再解决效率提升的问题。”
麦小苗笑了，说回了模型上来：“我们接受输入的第一层为输入层，提供输出的最后一层为输出层，中间所有的层为隐藏层。”
“隐藏层越多、隐藏层神经元越多，神经网络就能拟合更复杂的情况，但是也更难训练。”